推送方法和推送装置、电子设备、存储介质与流程

1.本发明涉及人工智能技术领域，尤其涉及一种推送方法和推送装置、电子设备、存储介质。


背景技术：

2.近年来，用户越来越关注每天的膳食营养结构，当前的膳食营养信息的获取通常依赖专家推荐，一般来说，专家推荐的膳食营养量是针对普通正常人的平均量，然而每个用户存在个体差异，且每个用户在不同状态对膳食营养量的需求不一样，专家推荐的膳食营养量不一定适合每个用户，另外，营养膳食方案的执行往往缺少监测，导致针对用户的营养健康结果的监测效率较低。


技术实现要素：

3.本公开实施例的主要目的在于提出一种推送方法和推送装置、电子设备、存储介质，能够针对用户制定膳食营养信息的推荐方案，并提高营养健康结果的监测效率。
4.为实现上述目的，本公开实施例的第一方面提出了一种推送方法，包括：
5.获取目标用户的原始图像；
6.对所述原始图像进行人脸识别，得到所述目标用户的用户数据；其中，所述用户数据包括个人基本信息和健康信息；
7.获取目标食物的目标重量；所述目标食物是所述目标用户待就餐的食物；
8.将所述用户数据和所述目标重量输入到训练好的膳食营养预测模型；
9.通过所述膳食营养预测模型对所述用户数据进行膳食营养预测，得到所述目标用户的膳食营养推荐量；
10.通过所述膳食营养预测模型对所述目标重量、预设的营养成分数据和所述膳食营养推荐量进行营养健康预测，得到所述目标用户的营养健康结果；
11.将所述营养健康结果推送给所述目标用户。
12.在一些实施例，所述通过所述膳食营养预测模型对所述目标重量、所述营养成分数据和所述膳食营养推荐量进行营养健康预测，得到所述目标用户的营养健康结果，包括：
13.通过所述膳食营养预测模型对所述目标重量和所述营养成分数据进行营养摄入量计算，得到膳食营养摄入量；
14.通过所述膳食营养预测模型对所述膳食营养推荐量、所述膳食营养摄入量进行所述营养健康预测，得到所述目标用户的营养健康结果。
15.在一些实施例，所述用户数据包括个人基本信息和健康信息，所述对所述原始图像进行人脸识别，得到所述目标用户的用户数据，包括：
16.对所述原始图像进行人脸检测，得到初步人脸信息；
17.根据所述初步人脸信息在预设的数据库中进行查询处理，得到所述个人基本信息和所述健康信息；其中，所述个人基本信息包括姓名信息、性别信息、年龄信息、职业信息，
所述健康信息至少包括以下任一种：身体特征信息、劳动强度信息、疾病历史信息。
18.在一些实施例，所述对所述原始图像进行人脸检测，得到初步人脸信息，包括：
19.对所述原始图像进行人脸数量检测，得到人脸数量；
20.若所述人脸数量大于一个，则对所述原始图像进行中心区域识别处理，以得到所述初步人脸信息。
21.在一些实施例，所述对所述原始图像进行中心区域识别处理，以得到所述初步人脸信息，包括：
22.对所述原始图像进行区域识别，得到识别区域信息；所述识别区域信息包括边距信息、中心线信息；
23.根据所述原始图像进行人脸宽度识别，得到人脸宽度信息；
24.若所述人脸宽度信息大于或者等于预设的宽度标准信息，则根据所述识别区域信息计算所述原始图像中每个人脸的所述中心区域识别指标；
25.根据所述中心区域识别指标得到所述初步人脸信息。
26.在一些实施例，所述获取目标食物的目标重量，包括：
27.监测所述目标食物的当前重量；
28.根据所述当前重量获取所述目标食物的重量变化值；
29.根据预设的餐具重量信息对所述重量变化值进行重量值校准处理，得到所述目标重量；其中，所述目标重量为所述目标食物的净重。
30.在一些实施例，所述当前重量为所述目标食物在当前时刻的重量，所述根据所述当前重量获取所述目标食物的重量变化值，包括：
31.获取所述目标食物在上一时刻的历史重量；所述上一时刻为所述当前时刻的前一时刻；
32.计算所述当前重量与所述历史重量之间的重量差值；
33.若所述重量差值不等于0，则根据预设的读取次数在预设时段内进行重量读取，得到多个所述当前重量；其中，所述预设时段内包括多个时刻，所述上一时刻和所述当前时刻是所述预设时段内其中的两个时刻，每一时刻对应一个所述当前重量，读取到的所述当前重量的数量等于所述读取次数；
34.若在所述预设时段内，相邻的至少两个时刻所对应的所述当前重量相等，则将该相等的当前重量对应的所述重量差值作为所述重量变化值。
35.为实现上述目的，本公开的第二方面提出了一种推送装置，包括：
36.原始图像获取模块，用于获取目标用户的原始图像；
37.人脸识别模块，用于对所述原始图像进行人脸识别，得到所述目标用户的用户数据；其中，所述用户数据包括个人基本信息和健康信息；
38.目标重量获取模块，用于获取目标食物的目标重量；所述目标食物是所述目标用户待就餐的食物；
39.膳食营养预测模型训练模块，用于将所述用户数据和所述目标重量输入到训练好的膳食营养预测模型；
40.膳食营养预测模块，用于通过所述膳食营养预测模型对所述用户数据进行膳食营养预测，得到所述目标用户的膳食营养推荐量；
41.营养健康预测模块，用于通过所述膳食营养预测模型对所述目标重量、预设的营养成分数据和所述膳食营养推荐量进行营养健康预测，得到所述目标用户的营养健康结果；
42.推送模块，用于将所述营养健康结果推送给所述目标用户。
43.为实现上述目的，本公开的第三方面提出了一种电子设备，包括：
44.至少一个存储器；
45.至少一个处理器；
46.至少一个程序；
47.所述程序被存储在存储器中，处理器执行所述至少一个程序以实现本公开如上述第一方面所述的方法。
48.为实现上述目的，本公开的第四方面提出了一种存储介质，该存储介质是计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行：
49.如上述第一方面所述的方法。
50.本公开实施例提出的推送方法和推送装置、电子设备、存储介质，先获取目标用户的原始图像，并对原始图像进行人脸识别，得到目标用户的用户数据，然后获取目标食物的目标重量，并将用户数据和目标重量输入到训练好的膳食营养预测模型，然后通过膳食营养预测模型对用户数据进行膳食营养预测，得到目标用户的膳食营养推荐量，进而通过膳食营养预测模型对目标重量、预设的营养成分数据和膳食营养推荐量进行营养健康预测，得到目标用户的营养健康结果，最后将营养健康结果推送给目标用户,通过本公开实施例提供的技术方案可以针对用户制定膳食营养信息的推荐方案，并提高营养健康结果的监测效率。
附图说明
51.图1是本公开实施例提供的推送方法的流程图。
52.图2是图1中的步骤s160的流程图。
53.图3是图1中的步骤s120的流程图。
54.图4是图3中的步骤s310的流程图。
55.图5是图4中的步骤s420的流程图。
56.图6是图1中的步骤s130的流程图。
57.图7是图6中的步骤s620的流程图。
58.图8是本公开实施例提供的推送装置的模块框图。
59.图9是本公开实施例提供的电子设备的硬件结构示意图。
60.附图标记：原始图像获取模块810、人脸识别模块820、目标重量获取模块830、膳食营养预测模型训练模块840、膳食营养预测模块850、营养健康预测模块860、推送模块870、处理器901、存储器902、输入/输出接口903、通信接口904、总线905。
具体实施方式
61.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对
本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。
62.需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
63.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的，不是旨在限制本发明。
64.近年来，用户越来越关注每天的膳食营养结构，当前的膳食营养信息的获取通常依赖专家推荐，一般来说，专家推荐的膳食营养量是针对普通正常人的平均量，然而每个用户存在个体差异，且每个用户在不同状态对膳食营养量的需求不一样，专家推荐的膳食营养量不一定适合每个用户，另外，营养膳食方案的执行往往缺少监测，导致针对用户的营养健康结果的监测效率较低。
65.另外，在身份识别过程中，采用的人脸识别的方式，当摄像头的识别区域中出现多个人时，会影响人脸识别的准确度，进而降低了针对用于的营养健康结果的效率。
66.在称重过程中，如果使用定时的方式获取菜肴的剩余重量，可能取到的值是某个时间点的瞬时重量，而不是实际的重量，从而导致就餐人员每次从菜肴一体机上拿取菜肴时称重值不稳定的问题，进而降低了针对用于的营养健康结果的效率。
67.在取餐过程中，就餐人员使用取餐工具的形式有如下两种：(1)就餐人员从取餐工具专用容器里拿取取餐工具(比如汤勺、菜夹等)，取完餐后，放回专用容器中；(2)就餐人员直接从菜盆里拿取取餐工具(比如汤勺、菜夹等)，取完餐后，放回菜盆中。针对(2)的就餐人员在取餐过程中，不免有将餐具放入和取餐的操作，这会影响到菜肴一体机对取餐重量的计算，进而降低了针对用于的营养健康结果的效率。
68.基于此，本公开实施例提供一种推送方法和推送装置、电子设备、存储介质，先获取目标用户的原始图像，并对原始图像进行人脸识别，得到目标用户的用户数据，然后获取目标食物的目标重量，并将用户数据和目标重量输入到训练好的膳食营养预测模型，然后通过膳食营养预测模型对用户数据进行膳食营养预测，得到目标用户的膳食营养推荐量，进而通过膳食营养预测模型对目标重量、预设的营养成分数据和膳食营养推荐量进行营养健康预测，得到目标用户的营养健康结果，最后将营养健康结果推送给目标用户，通过本公开实施例提供的技术方案可以针对用户制定膳食营养信息的推荐方案，并提高营养健康结果的监测效率。
69.本公开实施例提供推送方法和推送装置、电子设备、存储介质，具体通过如下实施例进行说明，首先描述本公开实施例中的推送方法。
70.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
71.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、
大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
72.本公开实施例提供的推送方法，涉及人工智能技术领域，尤其涉及信息推荐技术领域。本公开实施例提供的推送方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机或者智能手表等；服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现推送方法的应用等，但并不局限于以上形式。
73.本技术可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
74.本公开实施例提出了一种推送方法，包括：获取目标用户的原始图像；对原始图像进行人脸识别，得到目标用户的用户数据；其中，用户数据包括个人基本信息和健康信息；获取目标食物的目标重量；目标食物是目标用户待就餐的食物；将用户数据和目标重量输入到训练好的膳食营养预测模型；通过膳食营养预测模型对用户数据进行膳食营养预测，得到目标用户的膳食营养推荐量；通过膳食营养预测模型对目标重量、预设的营养成分数据和膳食营养推荐量进行营养健康预测，得到目标用户的营养健康结果；将营养健康结果推送给目标用户。
75.图1是本公开实施例提供的推送方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤s110至步骤s170，具体包括：
76.s110，获取目标用户的原始图像；
77.s120，对原始图像进行人脸识别，得到目标用户的用户数据；
78.s130，获取目标食物的目标重量；
79.s140，将用户数据和目标重量输入到训练好的膳食营养预测模型；
80.s150，通过膳食营养预测模型对用户数据进行膳食营养预测，得到目标用户的膳食营养推荐量；
81.s160，通过膳食营养预测模型对目标重量、预设的营养成分数据和膳食营养推荐量进行营养健康预测，得到目标用户的营养健康结果；
82.s170，将营养健康结果推送给目标用户。
83.需要说明的是，本实施例提供的推荐方法应用于菜肴一体机中，菜肴一体机为集成了菜肴保温、称重、人脸识别、营养分析膳食营养预测和营养健康预测等功能的一体机，可应用于家庭、餐厅或食堂中，用于对用户的膳食营养推荐量进行预测，根据用户取走食物
的重量和营养成分，判断就餐人员的饮食是否符合营养条件，完成对用户的营养健康情况的监测。
84.在步骤s110中，原始图像为通过菜肴一体机的摄像头采集到的原始图像。
85.在步骤s120中，用户数据包括个人基本信息和健康信息，其中，个人基本信息包括但不限于姓名信息、性别信息、年龄信息、职业信息等，健康信息包括但不限于身体特征信息、劳动强度信息、疾病历史信息等。
86.在具体的实施例中，步骤s120的人脸识别过程包括：生成对应的肖像画；选择现有技术中的人脸识别算法，可以设定多个识别算法循环处理；依据选择使用的人脸识别算法，将针对人脸图像的特征数值化后，依据数值点位置分布情况，按照设定的阈值提取特征区域；验证识别特征区域内是否满足设定要求；将识别特征区域与肖像画上对应位置关联，得到用户数据。
87.其中，由人脸图像生成肖像画的算法包括但不限于基于特征的肖像画生成算法、基于样本学习的肖像画生成算法等；人脸识别算法包括但不限于基于pca与ica的人脸识别算法、基于svd和kl投影相融合的人脸识别算法、基于正交邻域保持投射的dt-cwt特征人脸识别算法等。
88.在步骤s130中，目标食物是目标用户待就餐的食物，目标食物的目标重量为检测到的目标用户取走的食物的重量。
89.在步骤s140中，膳食营养预测模型的训练过程包括：将个人基本信息和健康信息作为数据集分为两部分，一部分作为训练集，比如，将训练集中的个人基本信息和健康信息作为模型的输入，将他们所对应的膳食营养推荐量作为输出，定义好模型的激活函数和层数，经过不断地学习和训练，得到模型的权重；而数据集的另外一部分作为测试集，用来验证推荐模型的准确度，然后经过调整和优化，建立膳食营养预测模型。
90.在步骤s150中，将用户数据和目标重量输入训练好的模型以进行膳食营养预测，得到目标用户的膳食营养推荐量，其中，膳食营养推荐量为针对目标用户定制的每种营养的推荐摄入量，是如每日的蛋白质推荐摄入量、每日的能量摄入量等。
91.在步骤s160中，与步骤s150的不同在于，进行的预测为营养健康预测，预测的数据对象是目标重量、预设的营养成分数据和膳食营养推荐量，其中，营养成分数据包括但不限于能量信息、蛋白质含量信息等，目标食物的种类包括但不限于一种，每种食物对应不同的营养成分；膳食营养推荐量在步骤s150中已经得到；营养健康结果表征目标用户的膳食营养推荐量与实际摄入量的匹配程度，如通过将膳食营养推荐量和膳食营养摄入量进行比对，可得到营养健康结果，营养健康结果具体包括：摄入量超标、摄入量合理。具体地，若膳食营养推荐量大于或者等于膳食营养摄入量，则营养健康结果为摄入量合理；若膳食营养推荐量小于膳食营养摄入量，则营养健康结果为摄入量超标。
92.在步骤s170中，推送过程包括但不限于：将营养健康结果发送到目标用户的移动终端。其中，移动终端包括但不限于手机、平板电脑、智能手环、智能手表等设备。
93.在具体的实施例中，菜肴一体机将目标用户取餐数据实时上传到系统，系统实时计算目标用户当前已经摄入的能量、蛋白质量，并在一体机屏幕进行推荐值与实际摄入值的对比显示，提醒目标用户当前摄入量是否已超标。
94.本公开实施例提供一种推送方法，先获取目标用户的原始图像，并对原始图像进
行人脸识别，得到目标用户的用户数据，然后获取目标食物的目标重量，并将用户数据和目标重量输入到训练好的膳食营养预测模型，然后通过膳食营养预测模型对用户数据进行膳食营养预测，得到目标用户的膳食营养推荐量，进而通过膳食营养预测模型对目标重量、预设的营养成分数据和膳食营养推荐量进行营养健康预测，得到目标用户的营养健康结果，最后将营养健康结果推送给目标用户，通过本公开实施例提供的技术方案可以针对用户制定膳食营养信息的推荐方案，并提高营养健康结果的监测效率。
95.在一些实施例，通过膳食营养预测模型对目标重量、营养成分数据和膳食营养推荐量进行营养健康预测，得到目标用户的营养健康结果，包括：通过膳食营养预测模型对目标重量和营养成分数据进行营养摄入量计算，得到膳食营养摄入量；通过膳食营养预测模型对膳食营养推荐量、膳食营养摄入量进行营养健康预测，得到目标用户的营养健康结果。
96.图2是一些实施例中的步骤s160的流程图，图2示意的步骤s160包括但不限于步骤s210至步骤s230：
97.s210，通过膳食营养预测模型对目标重量和营养成分数据进行营养摄入量计算，得到膳食营养摄入量；
98.s220，通过膳食营养预测模型对膳食营养推荐量、膳食营养摄入量进行营养健康预测，得到目标用户的营养健康结果。
99.在步骤s210中，膳食营养摄入量为根据目标重量计算出来的目标用户取走的餐食中的各种营养成分的含量；营养成分数据包括但不限于能量信息、蛋白质含量信息等。
100.在步骤s220中，营养健康结果表征目标用户的膳食营养推荐量与实际摄入量的匹配程度。
101.在一些实施例，用户数据包括个人基本信息和健康信息，对原始图像进行人脸识别，得到目标用户的用户数据，包括：对原始图像进行人脸检测，得到初步人脸信息；根据初步人脸信息在预设的数据库中进行查询处理，得到个人基本信息和健康信息。
102.图3是一些实施例中的步骤s120的流程图，图3示意的步骤s120包括但不限于步骤s310至步骤s320：
103.s310，对原始图像进行人脸检测，得到初步人脸信息；
104.s320，根据初步人脸信息在预设的数据库中进行查询处理，得到个人基本信息和健康信息。
105.在步骤s310中，人脸检测的目的是提取出原始图像中包含的初步人脸信息，初步人脸信息表征图像的人脸特征，该人脸特征与目标用户的身份一一对应。
106.在步骤s320中，预设的数据库中存储着个人基本信息与健康信息的记录，通过查询处理可以得到与某个目标用户对应的健康信息，用户数据包括个人基本信息和健康信息，个人基本信息包括但不限于姓名信息、性别信息、年龄信息、职业信息，健康信息至少包括以下任一种：身体特征信息、劳动强度信息、疾病历史信息。
107.需要说明的是，在本技术的各个具体实施方式中，当涉及到需要根据用户信息、用户行为数据，用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时，都会先获得用户的许可或者同意，而且，对这些数据的收集、使用和处理等，都会遵守相关国家和地区的相关法律法规和标准。此外，当本技术实施例需要获取用户的敏感个人信息时，会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意，在明
确获得用户的单独许可或者单独同意之后，再获取用于使本技术实施例能够正常运行的必要的用户相关数据。
108.在一些实施例，对原始图像进行人脸检测，得到初步人脸信息，包括：对原始图像进行人脸数量检测，得到人脸数量；若人脸数量大于一个，则对原始图像进行中心区域识别处理，以得到初步人脸信息。
109.图4是一些实施例中的步骤s310的流程图，图4示意的步骤s310包括但不限于步骤s410至步骤s420：
110.s410，对原始图像进行人脸数量检测，得到人脸数量；
111.s420，若人脸数量大于一个，则对原始图像进行中心区域识别处理，以得到初步人脸信息。
112.在步骤s410中，原始图像为通过菜肴一体机的摄像头采集到的原始图像，利用图像处理技术进行人脸数量检测，识别出原始图像中的人脸数量。
113.在步骤s420中，“人脸数量大于一个”表征目前摄像头识别范围内有多个菜肴一体机的使用者，此时系统无法判断这些使用者中哪个是取餐的目标用户，因此需要进行中心区域识别处理，得到该目标用于的初步人脸信息，进而得到该初步人脸信息对应的目标用户的用户数据。
114.在一些实施例，对原始图像进行中心区域识别处理，以得到初步人脸信息，包括：对原始图像进行区域识别，得到识别区域信息；识别区域信息包括边距信息、中心线信息；根据原始图像进行人脸宽度识别，得到人脸宽度信息；若人脸宽度信息大于或者等于预设的宽度标准信息，则根据识别区域信息计算原始图像中每个人脸的中心区域识别指标；根据中心区域识别指标得到初步人脸信息。
115.图5是一些实施例中的步骤s420的流程图，图5示意的步骤s420包括但不限于步骤s510至步骤s540：
116.s510，对原始图像进行区域识别，得到识别区域信息；
117.s520，根据原始图像进行人脸宽度识别，得到人脸宽度信息；
118.s530，若人脸宽度信息大于或者等于预设的宽度标准信息，则根据识别区域信息计算原始图像中每个人脸的中心区域识别指标；
119.s540，根据中心区域识别指标得到初步人脸信息。
120.在步骤s510中，识别区域信息包括边距信息、中心线信息。
121.其中，区域识别具体包括：针对摄像头识别区域，其左边距为x0，右边距为x1，上边距为y0，下边距为y1；中心线信息包括水平中心线和垂直中心线，比如水平中心线为“x2＝x0+(x1-x0)/2”，垂直中心线为“yy2＝yy0+(yy1-yy0)/2”。
122.针对餐人员人脸被识别区域，其左边距为xx0，右边距为xx1，上边距为yy0，下边距为yy1；中心线信息包括水平中心线和垂直中心线，比如水平中心线为“xx2＝xx0+(xx1-xx0)/2”，垂直中心线为“yy2＝yy0+(yy1-yy0)/2”。
123.在步骤s520中，通过人脸宽度识别技术计算得到人脸宽度信息，具体地，人脸宽度信息记为“face-sj”。
124.在步骤s530中，预设的宽度标准信息为系统判断人脸的标准宽度，用于对人脸进行筛选，宽度标准信息记为“face-sm”。若“face-sj”小于“face-sm”，则该人脸图像不符合
识别标准；若“face-sj”不小于“face-sm”，则该人脸图像符合识别标准，开始计算多个拍摄到的人脸的中心区域识别指标，具体地，中心区域识别指标为(xx2-x2)x+(yy2-y2)x。
125.在步骤s540中，中心区域识别指标的值最小区域，就是包含取餐的目标用户的图像区域，因此，在该区域进行人脸识别可以得到目标用户的初步人脸信息。
126.在具体的实施例中，通过对初始图像进行中心区域识别处理，并依据中心区域识别指标进行判断，识别出图像的中心位置的人物，从而确定取餐的目标用户的身份，保证身份识别的准确性，从而能够提高营养健康结果的精确度。
127.在一些实施例，获取目标食物的目标重量，包括：监测目标食物的当前重量；根据当前重量获取目标食物的重量变化值；根据预设的餐具重量信息对重量变化值进行重量值校准处理，得到目标重量；其中，目标重量为目标食物的净重。
128.图6是一些实施例中的步骤s130的流程图，图6示意的步骤s130包括但不限于步骤s610至步骤s630：
129.s610，监测目标食物的当前重量；
130.s620，根据当前重量获取目标食物的重量变化值；
131.s630，根据预设的餐具重量信息对重量变化值进行重量值校准处理，得到目标重量。
132.在步骤s610中，当前重量是目标食物在菜肴一体机上时称重设备的读数。
133.在步骤s620中，重量变化值为菜肴一体机的读数在目标用户取餐前后的差值。
134.在步骤s630中，目标重量为目标食物的净重，记取餐工具重量为y，目标用户拿取菜肴时得到的减重值为m0，目标用户实际取餐量为x1，则重量值校准处理具体包括：
135.若m0≥0且m0≥y，则目标用户实际取餐量x1＝m0-y，否则，实际取餐量为x1＝m0；若m0《0且|m0|≥y，则目标用户实际取餐量x1＝m0+y。其中，|m0|为m0的绝对值，重量值校准处理后得到的目标重量即为目标用户取走的目标食物的真实重量。
136.在一些实施例，当前重量为目标食物在当前时刻的重量，根据当前重量获取目标食物的重量变化值，包括：获取目标食物在上一时刻的历史重量；上一时刻为当前时刻的前一时刻；计算当前重量与历史重量之间的重量差值；若重量差值不等于0，则根据预设的读取次数在预设时段内进行重量读取，得到多个当前重量；其中，预设时段内包括多个时刻，上一时刻和当前时刻是预设时段内其中的两个时刻，每一时刻对应一个当前重量，读取到的当前重量的数量等于读取次数；若在预设时段内，相邻的至少两个时刻所对应的当前重量相等，则将该相等的当前重量对应的重量差值作为重量变化值。
137.图7是一些实施例中的步骤s620的流程图，图7示意的步骤s620包括但不限于步骤s710至步骤s740：
138.s710，获取目标食物在上一时刻的历史重量；
139.s720，计算当前重量与历史重量之间的重量差值；
140.s730，若重量差值不等于0，则根据预设的读取次数在预设时段内进行重量读取，得到多个当前重量；
141.s740，若在预设时段内，相邻的至少两个时刻所对应的当前重量相等，则将该相等的当前重量对应的重量差值作为重量变化值。
142.在步骤s710中，当前重量为目标食物在当前时刻的重量，上一时刻为当前时刻的
前一时刻。
143.在步骤s720中，重量差值为当前重量与历史重量的读数之差，用于判断目标食物的重量是否发生变化，以进一步判断目标人员是否存在取餐的行为。
144.在步骤s730中，预设时段内包括多个时刻，上一时刻和当前时刻是预设时段内其中的两个时刻，每一时刻对应一个当前重量，读取到的当前重量的数量等于读取次数。步骤s730中设置预设时段的目的是保证读数的速度，读取得到多个当前重量的目的是多次读数，保证数据的准确性。
145.在步骤s740中，在条件满足时，将当前重量对应的重量差值作为重量变化值，以保证得到的重量变化值的准确性。
146.下面结合图7，以一个具体的实施例来阐述菜肴一体机的称重过程，其中，“多个当前重量”的读取次数为六次，预设时段为三秒钟。
147.在取餐过程中，重量差值发生变化(重量差值不等于0)时，开始连续六次每隔一定时间进行重量的快速读取，得到六个当前重量，如果在六次的快速读取中，连续两次读取到的当前重量是相同，则提前终止读数，若超过三秒钟或者读取次数超过六次，就不再继续等待重量稳定，继续下次重量变化的轮询监测。其中，预设时段的设置为了不让用户等待称重稳定时间过长而设定的一个超时临界时间点。
148.通过上述的称重方法，解决了在实际使用的过程中目标用户每次从菜肴一体机上拿取菜肴时称重值不稳定的问题，进而提高营养健康结果的监测效率。
149.本公开的实施例提出了一种推送装置，包括：原始图像获取模块，用于获取目标用户的原始图像；人脸识别模块，用于对原始图像进行人脸识别，得到目标用户的用户数据；其中，用户数据包括个人基本信息和健康信息；目标重量获取模块，用于获取目标食物的目标重量；目标食物是目标用户待就餐的食物；膳食营养预测模型训练模块，用于将用户数据和目标重量输入到训练好的膳食营养预测模型；膳食营养预测模块，用于通过膳食营养预测模型对用户数据进行膳食营养预测，得到目标用户的膳食营养推荐量；营养健康预测模块，用于通过膳食营养预测模型对目标重量、预设的营养成分数据和膳食营养推荐量进行营养健康预测，得到目标用户的营养健康结果；推送模块，用于将营养健康结果推送给目标用户。
150.请参阅图8，图8示意了一实施例的推送装置，推送装置包括：原始图像获取模块810、人脸识别模块820、目标重量获取模块830、膳食营养预测模型训练模块840、膳食营养预测模块850、营养健康预测模块860、推送模块870。其中，原始图像获取模块810与人脸识别模块820连接，人脸识别模块820与目标重量获取模块830连接，目标重量获取模块830与膳食营养预测模型训练模块840连接，膳食营养预测模型训练模块840与膳食营养预测模块850连接，膳食营养预测模块850与营养健康预测模块860连接，营养健康预测模块860与推送模块870连接。
151.具体地，原始图像获取模块获取目标用户的原始图像，人脸识别模块对原始图像进行人脸识别，得到目标用户的用户数据，目标重量获取模块获取目标食物的目标重量，膳食营养预测模型训练模块将用户数据和目标重量输入到训练好的膳食营养预测模型，膳食营养预测模块通过膳食营养预测模型对用户数据进行膳食营养预测，得到目标用户的膳食营养推荐量，营养健康预测模块通过膳食营养预测模型对目标重量、预设的营养成分数据
和膳食营养推荐量进行营养健康预测，得到目标用户的营养健康结果，推送模块将营养健康结果推送给目标用户。
152.本实施例的推送装置的具体实施方式与上述推送方法的具体实施方式基本一致，属于相同的发明构思，在此不再赘述。
153.本公开实施例还提供了一种电子设备，包括：
154.至少一个存储器；
155.至少一个处理器；
156.至少一个程序；
157.所述程序被存储在存储器中，处理器执行所述至少一个程序以实现本公开实施上述的推送方法。该电子设备可以为包括手机、平板电脑、个人数字助理(personal digital assistant，简称pda)、车载电脑等任意智能终端。
158.请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：
159.处理器901，可以采用通用的cpu(centralprocessingunit，中央处理器)、微处理器、应用专用集成电路(applicationspecificintegratedcircuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本公开实施例所提供的技术方案；
160.存储器902，可以采用rom(readonlymemory，只读存储器)、静态存储设备、动态存储设备或者ram(randomaccessmemory，随机存取存储器)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本公开实施例的推送方法；
161.输入/输出接口903，用于实现信息输入及输出；
162.通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信；和
163.总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息；
164.其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。
165.本公开实施例还提供了一种存储介质，该存储介质是计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令用于使计算机执行上述推送方法。
166.本公开实施例提出的推送方法和推送装置、电子设备、存储介质，先获取目标用户的原始图像，并对原始图像进行人脸识别，得到目标用户的用户数据，然后获取目标食物的目标重量，并将用户数据和目标重量输入到训练好的膳食营养预测模型，然后通过膳食营养预测模型对用户数据进行膳食营养预测，得到目标用户的膳食营养推荐量，进而通过膳食营养预测模型对目标重量、预设的营养成分数据和膳食营养推荐量进行营养健康预测，得到目标用户的营养健康结果，最后将营养健康结果推送给目标用户，通过本公开实施例提供的技术方案针对用户制定膳食营养信息的推荐方案，并提高营养健康结果的监测效率。
167.存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非
暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
168.本公开实施例描述的实施例是为了更加清楚的说明本公开实施例的技术方案，并不构成对于本公开实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本公开实施例提供的技术方案对于类似的技术问题，同样适用。
169.本领域技术人员可以理解的是，图1-7中示出的技术方案并不构成对本公开实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
170.以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
171.本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
172.本技术的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
173.应当理解，在本技术中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
174.在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
175.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
176.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
177.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等各种可以存储程序的介质。
178.以上参照附图说明了本公开实施例的优选实施例，并非因此局限本公开实施例的权利范围。本领域技术人员不脱离本公开实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本公开实施例的权利范围之内。